{"id":25,"date":"2019-06-03T11:04:31","date_gmt":"2019-06-03T11:04:31","guid":{"rendered":"https:\/\/wilddrone.ch\/?page_id=25"},"modified":"2023-06-19T12:09:25","modified_gmt":"2023-06-19T12:09:25","slug":"resume","status":"publish","type":"page","link":"https:\/\/wilddrone.ch\/fr\/","title":{"rendered":"L’essentiel"},"content":{"rendered":"

D\u00e9tection pr\u00e9dictive de la faune sauvage bas\u00e9e sur l’IA pour la SNCF<\/a>
\nProjet 2023 – 2025<\/h2>\n

L’objectif de ce projet de recherche, men\u00e9 \u00e0 la FHNW en collaboration avec SNCF R\u00e9seau, est de mod\u00e9liser, \u00e0 l’aide de l’intelligence artificielle (IA) et d’une int\u00e9gration de donn\u00e9es multimodales (s\u00e9ries temporelles satellitaires multispectrales, photographies a\u00e9riennes, informations agricoles et climatologiques, donn\u00e9es issues de capteurs terrestres), les probabilit\u00e9s de pr\u00e9sence de la faune sauvage \u00e0 proximit\u00e9 des infrastructures ferroviaires du r\u00e9seau SNCF.<\/p>\n

Les mod\u00e8les d’habitat pr\u00e9dictifs qui en r\u00e9sulteront permettront de mieux pr\u00e9venir les incidents, par exemple en prenant des mesures d’am\u00e9nagement appropri\u00e9es dans certaines zones \u00e0 risque.<\/p>\n

Ce projet de big data utilisera les derni\u00e8res technologies de machine learning pour traiter les sources de donn\u00e9es extr\u00eamement vastes et exigeantes et \u00e9tablir des corr\u00e9lations profitables \u00e0 partir du traitement.<\/p>\n

Le projet s’appuie sur la longue exp\u00e9rience reconnue de l’Institut de g\u00e9omatique de la FHNW dans les approches bas\u00e9es sur l’IA pour les t\u00e2ches de d\u00e9tection, de classification et de mod\u00e9lisation dans le domaine des g\u00e9odonn\u00e9es compl\u00e8tes r\u00e9f\u00e9renc\u00e9es dans l’espace et le temps.<\/p>\n

Lire la suite …<\/a><\/p>\n

\n

Les animaux sauvages peuvent \u00eatre d\u00e9tect\u00e9s, localis\u00e9s et compt\u00e9s gr\u00e2ce \u00e0 des images a\u00e9riennes bas\u00e9es sur des drones et \u00e0 l’intelligence artificielle.<\/a>
\nProjet 2018 – 2021<\/h2>\n

Cette \u00e9tude a \u00e9t\u00e9 r\u00e9alis\u00e9 en collaboration avec \u00ab\u00a0Wildlife Foundation du canton d\u2019Argovie\u00a0\u00bb, qui \u00e9tudie diverses m\u00e9thodes de photographie a\u00e9rienne automatis\u00e9e bas\u00e9es sur des donn\u00e9es d\u2019UAV adapt\u00e9es \u00e0 la d\u00e9tection d’animaux sauvages. Au printemps 2018, 27 relev\u00e9s<\/span> photographies a\u00e9riennes ont \u00e9t\u00e9 prises \u00e0 l’aide de \u00ab\u00a0drone \u00e0 voilure fixe\u00a0\u00bb et des multicopteurs dans sept enclos de Chasse du nord-ouest de la Suisse et du sud de la For\u00eat-Noire. Diverses cam\u00e9ras infrarouges ont \u00e9t\u00e9 utilis\u00e9es, comme les capteurs multispectraux (NIR) par proche infrarouge (IR) et les m\u00e9thodes thermographiques (capteurs \u00e0 imagerie thermique).<\/p>\n

L\u2019analyse des images a\u00e9riennes par t\u00e9l\u00e9d\u00e9tection a montr\u00e9 que les donn\u00e9es d\u2019images thermiques d\u2019une altitude inf\u00e9rieure \u00e0 100 m AGL sont particuli\u00e8rement convenables pour l\u2019automatisation par algorithmes de reconnaissance des objets. A cet effet, un mod\u00e8le d\u2019apprentissage approfondi (Le R\u00e9seau \u00ab\u00a0Faster R-CNN\u00a0\u00bb de classe d\u2019initiation pr\u00e9-entrain\u00e9s avec le \u00ab\u00a0dataset COCO\u00a0\u00bb) a \u00e9t\u00e9 mis en \u0153uvre en tant que m\u00e9thode moderne d\u2019intelligence artificielle (IA) en utilisant le Framework \u00ab\u00a0Tensorflow\u00a0\u00bb et \u00ab\u00a0Python\u00a0\u00bb. Au cours du processus de formation, les caract\u00e9ristiques des propri\u00e9t\u00e9s ont \u00e9t\u00e9 extraites d\u2019environ 8 000 signatures animales marqu\u00e9es manuellement.<\/p>\n

Pour certaines esp\u00e8ces d\u2019animaux (daims, chevreuils, bisons, ch\u00e8vres), des r\u00e9sultats de d\u00e9tection extr\u00eamement robustes pourraient \u00eatre obtenus lors de l\u2019application ult\u00e9rieure (d\u00e9duction) et m\u00eame dans des environnements forestiers mixtes semi-naturels. La mise en \u0153uvre efficace et sp\u00e9cifique du prototype permet l’analyse en temps r\u00e9el des flux vid\u00e9o en direct dans des conditions r\u00e9elles. Avec un taux de d\u00e9tection de 92,8% par animal, ou de 88,6% avec une classification d\u2019esp\u00e8ces suppl\u00e9mentaire, il a \u00e9t\u00e9 d\u00e9montr\u00e9 que cette nouvelle technologie offre un potentiel d\u2019innovation consid\u00e9rable pour l\u2019avenir de la surveillance de la faune.<\/p>\n

Lire la suite …<\/a><\/p>\n

\"\"<\/a><\/p>\n

Video<\/h3>\n